2.1.1　层次分析法

层次分析法是一种复杂决策问题的定量分析方法，通过将复杂的决策问题分解为更小、更易于分析的部分，再对这些部分进行评估和综合，最终得出决策的优先级或权重，在评价的过程中，需要决策者/专家对权重之间的相对重要程度进行评分。该方法在风险评估、质量评估等领域获得了广泛的应用。作为一种多标准的分析工具，层次分析法展现出了解决复杂问题的有效性^[12-13]。核心步骤主要如下。

首先建立层次结构模型，包含目标层、准则层、指标层，如表1所示，并通过专家对选项之间进行两两比较，评估各选项之间的相对重要程度，比较结果将作为判断矩阵中的元素，在经过了次比较后，得到对应的判断矩阵，如式(1)所示：

(1)

其中，矩阵中的元素表示元素相对于元素的重要程度评分，例如则表示第2个元素相对于第1个元素的重要程度。得到判断矩阵后进行计算，提取出特征矩阵的主特征向量与特征值，其中，主特征向量作为判断矩阵中选项在该层次中的权重比例。将权重向量记作，对判断矩阵归一化处理后，得到的主特征向量即为权重向量，满足式(2)所示的方程：

(2)

其中，表示判断矩阵的最大特征值，权重向量的归一化形式为：

(3)

其中，指的是与最大特征值对应的特征向量中的第个分量，计算结果为个相对权重且其总和为1。完成上述计算后，对结果进行一致性检验，一致性检验的计算指标分为一致性指数()以及一致性比率()，通常认为当时，层次分析法得到的结果具有逻辑合理性^[14]。

2.1.2　贝叶斯最优最劣法

贝叶斯最优最劣法考虑到最优最劣法在评分过程中决策者可能存在的主观偏差，结合贝叶斯统计方法与最优最劣法的贝叶斯最优最劣法可以更好地量化权重统计的不确定性，处理专家在决策过程中的差异性，从而提供更稳定的权重统计来满足群体决策^{[15, 16]}，得到一致性更强的指标权重分布，步骤如下。

首先，确定最优指标与最劣指标，最优指标指的是在所有的指标中，由决策者认为对于目标层影响最大的一个，最劣指标则被认为是对目标层影响最小的一个，定义最优指标为，最劣指标为，其他指标则为，并将最优指标与其他指标进行对比，二者之间的相对重要性程度用1-9的数值表示(1-同等重要、3-稍微重要、5-重要、7-重要得多、9-绝对重要)，其中2、4、6、8分别位于5种重要程度等级的中间值，代表2个重要程度之间的中间水平，例如“2”表示：与最重要的指标相比，的重要程度位于同等重要与稍微重要两者之间，从而构建出最优指标到其他指标的评分向量，同理，构建出其他指标到最劣指标的评分向量如下：

(4)

其次，将2个向量输入至贝叶斯的层次分析模型中，从而得到一组指标的最优权重，转化思想为：在概率角度，将指标定义为已经发生的时间，权重则是该事件发生的概率，通过多项式分布建模，并将每个权重的计算结果用条件概率表现，以最劣比较向量为例，对应的条件概率如式(5)所示：

(5)

其中，表示概率分布，指的是事件发生的次数。根据多项式分布的原理，事件发生的概率与事件发生的次数除以试验总数成正比，同理还得到最劣比较向量的随机事件概率表示，即：

(6)

(7)

将二者联立，可以得到如式(8)所示的关系式，对于最优比较向量也进行多项式分布建模，同理则得到了如式(9)所示的关系式：

(8)

(9)

然后，将多项式建模结果输入至贝叶斯层次模型中，假设有个专家进行评分，则得到了个最优和最劣比较向量，第个专家的比较向量可以表示为和，对应的指标权重则表示为,相应的最优最劣向量分布为：

(10)

并选择狄利克雷分布对指标权重进行建模，其中表示分布的均值，表示浓度参数，该参数满足-分布，即，其中为形状参数。考虑到权重总和为1的特性及一致性检验的需求，定义狄利克雷分布中的参数为1，-分布中的均为0.1，最后，根据上述原理及计算，将不同专家的评分结果进行输入，得到最优指标权重向量的分布即。

(11)

2.2.1　基于层次分析法的工作任务权重结果

第1次问卷中，本文共收集到21份有效调查结果，第1部分的结果即专家个人信息分布如图5所示，绝大部分的专家在铁路安全领域的工作年限均为5年以上，其中有4名专家为高校教师，其余均为铁路运营企业内研究人员，职业涵盖多种类型，确保问卷结果具有一定的权威性。

图5全屏查看

第1次问卷专家信息分布

在问卷的第2部分，专家根据自身对于铁路人因事故安全风险与各工作任务之间的关联，对任务的相对重要度进行了两两比较，通过单选题选择对应选项，不同结果对应不同重要程度。本文将数值结果进行平均，构建出了如表2所示的判断矩阵。

基于判断矩阵数据进行权重计算与归一化，本文得出在列车运行阶段的4类工作任务的相对权重结果为：{发车：0.121，高速行驶：0.639，过分相：0.150，停车：0.089}。将此结果进行一致性检验，一致性比率，满足条件，因此认为权重计算结果具有逻辑合理性。

2.2.2　基于贝叶斯最优最劣法的驾驶绩效指标权重结果

在第1次问卷的第3部分，专家需要在4类任务中确定最重要/最不重要的驾驶绩效指标^[17]，即在对应的8个驾驶绩效指标中选出最为重要的和最不重要的选项，问题以单选的形式呈现。相同的，问卷共有21份评价结果，通过比较被选择次数，本文确定了在4类驾驶任务中最重要及最不重要的指标结果如下。

根据贝叶斯最优最劣法原理，接下来需要确定其他指标与最重要/最不重要指标的相对重要程度，从而构建相对比较向量，本文根据第2次问卷调查的结果进行计算分析，反映在真实驾驶过程中列车驾驶员对于驾驶绩效指标的偏好程度，问卷均由列车驾驶员进行填写，共收集到有效问卷35份，个人信息分布如图6所示。

图6全屏查看

第2次问卷专家信息分布

根据问卷第2部分的列车驾驶员评分结果，在Python软件中编写了该方法对应的优化程序，进行计算、优化与贝叶斯统计计算，最终确立了在4类工作任务中8种驾驶绩效指标的权重结果，整理如下。

发车任务：{0.181，0.071，0.127，0.120，0.115，0.133，0.124，0.129}；高速行驶任务：{0.084，0.087，0.425，0.079，0.064，0.085，0.085，0.091}；过分相任务：{0.074，0.116，0.199，0.127，0.113，0.124，0.124，0.123}；停车任务：{0.076，0.115，0.120，0.115，0.187，0.126，0.124，0.137}。

2.2.3　评价指标体系综合权重结果

对比表4中的综合权重大小可以看出，在列车运行阶段最为重要的驾驶绩效指标为高速行驶任务中的线网异常识别能力，权重为0.272，这一结果远远高于所有驾驶绩效指标的平均权重(0.031)以及仅次于这一指标的高速行驶任务调度命令执行能力(0.058)，这表明在驾驶过程中，列车驾驶员能否在高速行驶任务中准确检测并快速识别出线路中或接触网异常状况的能力至关重要，只有准确且快速地识别出异常，才能及时做出反应，从而防止安全事故的发生，并有效地降低铁路人因事故的安全风险。

3.2.1　不同目视区域组成部分关注比例差异

列车运行阶段驾驶员对于不同目视区域的关注程度不同，基于计算出的关注比例，对关注程度之间的差异性进行研究，通过Wilcoxon秩和检验方法进行列车驾驶员对于目视区域主要组成部分关注比例的差异性分析，描述统计结果如图10所示。

图10全屏查看

列车驾驶员整体目视区域关注比例

可以看出在整体视频数据中，列车驾驶员对轨道区域和操作台区域较为关注，这是因为在列车实际运行的过程中，列车驾驶员需要持续瞭望列车远端并关注操作台仪表中所展示的列车状态，并及时与调度中心联系，所以关注的多为轨道线路中可能存在的异常，对于其他部分的关注则相对较少。统计学结果则表明：除环境区域和接触网区域之间的关注比例之间不存在显著差异(p=0.839)外，其余组别均存在显著差异(p<0.05)，这说明了列车驾驶员对不同目视区域存在关注差异。

3.2.2　不同工作任务的关注比例差异

在分析了所有工作任务中的目视区域关注差异后，针对列车驾驶员不同工作任务进行研究，不同任务的目视区域关注差异直接反映了驾驶绩效指标的重要度。例如，在高速行驶任务中，若驾驶员将更多的注意力集中在轨道区域，这表明线网异常识别能力对于安全行驶至关重要。因此，通过分析驾驶员在不同目视区域的关注比例，可以有效地评估各驾驶绩效指标的相对重要度。以一位高速列车驾驶员为例，将其在4类工作任务中的关注比例可视化为热区图的形式，如图11所示，其中图11(a)、图11(b)、图11(c)、图11(d)分别代表发车、高速行驶、过分相、停车4类任务。热区图中不同颜色的区域代表了列车驾驶员注视的强度和频率，颜色越“深”说明对于该区域的关注越集中，即关注比例越高。

图11全屏查看

列车驾驶员不同工作任务注视时长热区图(以高速列车驾驶员为例)

可以看出，列车驾驶员在不同的工作任务中，对于关注区域的偏好有所不同，在发车任务中，对于操作台区域的关注程度和轨道区域的关注程度“相近”，表明驾驶员在执行发车任务时，需要密切监控列车状态并警觉轨道上可能出现的异常情况，同时确保对速度的准确感知与及时调整。在高速行驶阶段，关注的重点集中于线路与接触网中，且均集中于轨道的远端，这说明列车驾驶员必须在此阶段执行“瞭望”制度，防止异常状况的出现。

在过分相阶段，列车驾驶员对轨道远端和操作台中的列车状态指示有显著的集中关注，这反映了驾驶员需要密切监控列车控制系统和信号状态，并维持稳定的速度以确保安全通过分相区域。停车任务中列车驾驶员对于环境区域的关注相对其他工作任务有所增多，这是因为此过程中驾驶员需要保证列车平稳停靠，对于站台的关注是必不可少的。由于该热力图结果仅代表1名列车驾驶员，为定量探究全部列车驾驶员在各任务中关注差异，本文将4类工作任务中列车驾驶员对于不同区域的关注比例进行了非参数检验，完成了两两对比，结果如图 12所示。

图12全屏查看

列车驾驶员目视区域关注比例分布及差异性检验结果

由上述结果可以看出：在不同的工作任务中，列车驾驶员的注意力分配策略是动态调整的，但整体均集中于轨道和操作台区域。研究通过非参数检验对比了4种工作任务下的列车驾驶员关注比例差异，结果表现出显著差异(p<0.05)这种显著的差异性主要体现在对于不同目视区域的选择性关注和视觉资源分配上。

在发车任务中，2个区域几乎占据了驾驶员一半以上的视觉注意力(>40%)，说明在工作任务执行中的核心作用。相比之下，接触网和环境区域的关注显著较少，反映出在发车任务中列车驾驶员密切监控列车状态和轨道中潜在异常的重要性。在高速行驶任务中，轨道区域的关注度高于其他任务(>70%)，并显著高于其他关注区域，虽然操作台的关注度降低，但仍然保持显著的视觉关注，说明在高速行驶过程中线网异常识别能力是至关重要的。在过分相任务中，显著性结果表明各区域间存在两两显著差异，可以看出列车驾驶员的视觉注意力主要集中在轨道内和操作台上，其他区域关注相对较少，这表明在确保电力供应连续性的关键阶段，轨道和操作台区域的信息可以有效保障列车运行安全。停车任务中，环境区域的关注显著提高，表明列车驾驶员在此阶段需要更多地关注车辆周围的情况，以确保精确安全地停靠。

3.2.3　基于视觉注意力机制的关键驾驶绩效指标验证

结合3.2节中得到的不同工作任务下列车驾驶员视觉注意力分布对评价指标体系中驾驶绩效权重进行验证分析，结果如下。

作为最重要的工作任务()，高速行驶任务中列车驾驶员需要保持对线路的密切监控，对线网区域所展示出的高度关注(77.43%)证明了线网异常识别能力是此任务中最重要的驾驶绩效指标()，同时，操作台区域的关注多集中于速度仪表读数区域，这与驾驶过程中需要履行的“呼唤应答制度”相关。在发车任务中，最重要的指标是速度感知能力()，这与发车任务中列车驾驶员对于操作台区域的最高视觉注意力关注(47.08%)是一致的。操作台区域包括了速度仪表等反映列车运行状态和速度的仪表等，对于准确感知列车的速度变化至关重要。在过分相任务中，驾驶员对于轨道远端和操作台信号状态仪表的高度关注说明了线网异常识别能力这一绩效指标的重要性()，此任务中驾驶员的主要工作重点在于确保线路无异常的同时保障列车平稳通过分相区域。在停车任务中，列车驾驶员对于环境区域的关注相较于其他任务显著增加(17.50%)，同时对于轨道的关注也多集中于近端，对操作台区域的关注多集中于速度仪表，这一视觉注意力分布模式说明了位置判断能力()在此任务中的重要性，列车驾驶员需要在此阶段密切监控列车状态和轨道信息，以确保列车准确停靠。

总体而言，在驾驶过程中，虽然各个任务之间存在着一定的关注差异，但轨道区域总是列车驾驶员最为关注的区域，其他区域的关注随着任务重点的变化而变化，这也说明了轨道区域的信息在驾驶过程中的最高优先级，因为它直接关联到列车的行进路径和即将到来的路况变化，这也证明了在全部指标中，列车驾驶员在高速行驶任务中线网异常识别能力是最为重要的()。